Raporty z monitoringu AI najczęściej kończą się na jednej liczbie: ile razy w tym miesiącu model wymienił naszą markę. Ta liczba sama w sobie nie znaczy prawie nic. Dziesięć cytowań może być wynikiem świetnym albo katastrofalnym, zależnie od tego, ile zebrała konkurencja i ile w ogóle było okazji do wymienienia kogokolwiek. Dlatego zespoły, które mierzą widoczność w modelach dłużej niż kwartał, prędzej czy później przechodzą na wskaźnik udziału, czyli AI share of voice.
Poniżej metoda, której używamy w praktyce: dobór zapytań, liczba powtórzeń, normalizacja między modelami i zawartość raportu. Na końcu lista sytuacji, w których wskaźnik kłamie.
Czym właściwie jest AI share of voice
Definicja jest prosta: to procent odpowiedzi modelu, w których pojawia się nasza marka, liczony w obrębie ustalonego zestawu zapytań i ustalonego okna czasowego. Jeśli na 200 wygenerowanych odpowiedzi nasza marka wystąpiła w 34, udział wynosi 17 procent. Pozostałe 83 procent dzielą między siebie konkurenci, źródła neutralne (encyklopedie, regulatorzy, portale branżowe) oraz odpowiedzi, które nie wymieniają żadnej marki.
Ten ostatni koszyk zwykle umyka przy pierwszym podejściu, a znaczna część zapytań informacyjnych kończy się odpowiedzią bez ani jednej nazwy firmy. Rekomendujemy liczyć dwa warianty równolegle: udział brutto (mianownik to wszystkie odpowiedzi) i udział netto (mianownik to odpowiedzi, w których padła co najmniej jedna marka). Różnica między nimi sama w sobie jest sygnałem: jeśli rośnie, rynek staje się bardziej brandowany.
Trzeba też z góry ustalić, co liczymy jako wystąpienie. Wymienienie nazwy w zdaniu to jedno. Link w sekcji źródeł to drugie. Rekomendacja w stylu „warto sprawdzić X” to trzecie. Nasze doświadczenie: licz te trzy rzeczy osobno, a dopiero potem składaj w jeden wskaźnik z wagami. Sama wzmianka bez linku jest warta mniej niż cytowanie z odnośnikiem, bo nie generuje ruchu i trudniej ją zweryfikować.
Dobór zestawu zapytań
Zestaw zapytań to najważniejsza decyzja w całej metodzie i jednocześnie ta, którą najczęściej podejmuje się przypadkowo. Jeśli wrzucisz do zestawu wyłącznie zapytania, na które już jesteś cytowany, wskaźnik wystartuje z poziomu 60 procent i będzie tylko spadał. Jeśli wrzucisz zapytania ogólnobranżowe, wystartuje z 2 procent i nie ruszy się przez rok.
Praktyczna konstrukcja zestawu, która daje wskaźnik reagujący na pracę:
- Zapytania kategorii (około 40 procent zestawu): pytania o rozwiązanie problemu bez wskazywania producenta, typu „jak zautomatyzować raportowanie sprzedaży”. Tu toczy się realna walka o widoczność.
- Zapytania porównawcze (około 25 procent): „X czy Y”, „najlepsze narzędzia do Z”. Modele chętnie generują tu listy, więc miejsc jest kilka, ale rotują.
- Zapytania transakcyjne i cenowe (około 20 procent): pytania o koszt, wdrożenie, integracje. Niska częstotliwość, wysoka wartość biznesowa.
- Zapytania brandowe i okołobrandowe (około 15 procent): o naszą markę i o konkurentów z imienia. To kontrola jakości, nie miara wzrostu.
Rozmiar zestawu: 60 do 120 zapytań wystarcza dla pojedynczej linii biznesowej. Poniżej 40 wskaźnik skacze o kilkanaście punktów przy zmianie jednej odpowiedzi. Powyżej 200 koszt próbkowania rośnie szybciej niż wartość informacyjna, chyba że automatyzujesz cały proces.
Zestaw zamrażasz na co najmniej dwa kwartały, bo każda zmiana listy zeruje porównywalność. Nowe zapytania prowadź jako osobny panel obok starego, zamiast doklejać je do istniejącego mianownika.
Ile powtórzeń przy zmiennych odpowiedziach
Modele generatywne nie są deterministyczne. To samo zapytanie zadane pięć razy potrafi dać pięć różnych zestawów marek, zwłaszcza tam, gdzie żaden gracz nie ma wyraźnej przewagi. Pojedynczy strzał na zapytanie daje wskaźnik obarczony szumem rzędu 10 punktów procentowych, co przy miesięcznej dynamice na poziomie 2 punktów czyni pomiar bezużytecznym.
W naszych pomiarach rozsądny kompromis to 5 powtórzeń na zapytanie na model. Przy 80 zapytaniach i trzech modelach daje to 1200 odpowiedzi miesięcznie. Przy 3 powtórzeniach szum wciąż jest zauważalny, przy 10 poprawa jest już niewielka wobec podwojonego kosztu.
Kilka zasad higieny próbkowania, bez których liczba powtórzeń niewiele daje:
- Rozłóż zapytania w czasie. Odpalenie całej serii w ciągu jednej godziny mierzy stan jednego dnia, a nie miesiąca. Rozbij na 3 lub 4 sesje w różnych tygodniach.
- Trzymaj stałą temperaturę i stały prompt systemowy. Zmiana promptu między miesiącami psuje szereg czasowy równie skutecznie jak zmiana zestawu zapytań.
- Wyłącz personalizację i historię konwersacji. Każde zapytanie w czystej sesji.
- Zapisuj pełne odpowiedzi, nie tylko wynik dopasowania. Za trzy miesiące będziesz chciał sprawdzić, dlaczego wskaźnik podskoczył, a bez surowych tekstów zostanie ci zgadywanie.
Normalizacja między modelami
ChatGPT, Gemini, Perplexity i Claude mają różne skłonności do wymieniania marek. Perplexity niemal zawsze podaje źródła z linkami, więc udział liczony na cytowaniach będzie tam strukturalnie wyższy. Model odpowiadający z pamięci parametrycznej wymieni mniej nazw, ale te, które wymieni, mają silniejszy charakter rekomendacji.
Dlatego nie uśredniaj surowych wartości z różnych modeli. Zamiast tego licz udział osobno w obrębie każdego modelu, a dopiero potem składaj je ważoną średnią, gdzie wagi odzwierciedlają realny udział danego asystenta w ruchu lub w rynku na twoim obszarze. Jeśli nie masz danych o ruchu z asystentów, a przy ograniczeniach pomiarowych opisanych w tekście o pomiarze bez cookies i Consent Mode v2 często ich nie ma, użyj wag równych i zapisz to jako jawne założenie w metodyce.
Druga warstwa normalizacji dotyczy długości odpowiedzi. Model, który generuje listę dziesięciu narzędzi, daje dziesięć wystąpień na jedną odpowiedź. Model, który wskazuje dwa, daje dwa. Jeśli liczysz wystąpienia zamiast odpowiedzi, wskaźnik zacznie mierzyć gadatliwość modelu, a nie twoją pozycję. Mianownikiem zawsze powinna być liczba odpowiedzi, a wystąpienie marki w danej odpowiedzi liczone binarnie: było albo nie było.
Benchmark konkurencyjny
Wskaźnik bez punktu odniesienia jest tak samo bezużyteczny jak surowa liczba cytowań. Do zestawu trzeba więc wciągnąć od 4 do 8 konkurentów i liczyć ich udział tą samą metodą, w tym samym przebiegu. To nie jest dodatkowy koszt: te marki i tak pojawiają się w odpowiedziach, które już zebrałeś.
W zestawie konkurentów trzymaj też jedną markę referencyjną: dużego, stabilnego gracza z kategorii, którego udział powinien być płaski miesiąc do miesiąca. Gwałtowna zmiana jej wyniku sygnalizuje zmianę po stronie modelu albo twojego pipeline’u pomiarowego, a nie na rynku. To najtańszy dostępny mechanizm kontrolny.
Warto też rozbić udział na segmenty zapytań. Udział 17 procent ogółem może oznaczać 35 procent na zapytaniach brandowych i 4 procent na kategorii, co jest zupełnie inną sytuacją strategiczną niż 17 procent rozłożone równo. To rozbicie zwykle od razu pokazuje, gdzie kierować pracę nad treścią i strukturą danych, w tym nad tym, jak model odzyskuje fragmenty twoich stron. Jeśli udział w kategorii jest niski mimo dobrej widoczności w klasycznym wyszukiwaniu, przyjrzyj się najpierw temu, jak podzielone są twoje treści, bo długość sekcji i nagłówki wpływają na odzyskiwanie fragmentów bardziej niż większość osób zakłada.
Raport miesięczny
Raport, który da się przeczytać w pięć minut, ma pięć elementów:
| Element | Co pokazuje |
|---|---|
| Udział ogółem, brutto i netto | Jedna liczba do śledzenia w czasie plus kontekst rynku |
| Ranking udziałów | Nasza pozycja wśród 5–9 mierzonych marek |
| Rozbicie na segmenty zapytań | Gdzie wygrywamy, a gdzie nas nie ma |
| Rozbicie na modele | Czy problem jest wszędzie, czy w jednym asystencie |
| Delta i jej wyjaśnienie | Co konkretnie się zmieniło wobec poprzedniego miesiąca |
Ostatni wiersz jest tym, na którym raporty zwykle się wykładają. Sama delta bez wyjaśnienia zaprasza do nadinterpretacji szumu. Dlatego przy każdej zmianie większej niż 3 punkty procentowe dołączamy krótką notatkę wskazującą konkretne zapytania, które za nią stoją, oraz po jednej przykładowej odpowiedzi przed i po. Jeśli zmiany nie da się przypisać do konkretnych zapytań, oznaczamy ją jako szum i nie komentujemy.
Do raportu dołącz też jedną rzecz techniczną: stan encji marki w danych strukturalnych. Modele częściej i pewniej wymieniają podmioty, które potrafią jednoznacznie zidentyfikować, dlatego poprawnie zbudowana encja marki w Schema Organization i sameAs jest warunkiem brzegowym całej pracy nad udziałem. Bez tego optymalizujesz treść dla systemu, który nie jest pewien, o kim mówisz.
Kiedy wskaźnik wprowadza w błąd
Cztery sytuacje, w których udział rośnie albo spada bez związku z twoją pracą:
Zmiana modelu po stronie dostawcy. Aktualizacja wersji potrafi przestawić skłonność do wymieniania marek w całej kategorii. Objaw: wszystkie mierzone marki zmieniają się w tę samą stronę tego samego dnia. Dlatego mierzymy markę referencyjną.
Wzmianka negatywna. Model wymienia twoją markę w kontekście problemu, awarii albo sporu. Wskaźnik rośnie, biznes nie. Jeśli nie klasyfikujesz sentymentu, przynajmniej przejrzyj ręcznie odpowiedzi z największym przyrostem.
Mylące dopasowanie nazwy. Krótkie i słownikowe nazwy marek łapią fałszywe trafienia. Dopasowanie musi uwzględniać kontekst, a nie samo wystąpienie ciągu znaków. Przy nazwach dwuznacznych licz tylko wystąpienia z linkiem do domeny albo z nazwą w pełnym brzmieniu.
Zapytania, których nikt nie zadaje. Można zbudować zestaw, w którym udział wynosi 40 procent, bo składa się z pytań sformułowanych dokładnie tak, jak piszemy o sobie na stronie. Wskaźnik będzie piękny i zupełnie nieskorelowany z przychodem. Kontrola: zestaw powinien dawać się odtworzyć z danych o realnym popycie, na przykład z raportu skuteczności w Search Console albo z transkryptów rozmów sprzedażowych, a nie z własnego brandbooka.
Wskaźnik udziału to narzędzie porównawcze, nie miara sukcesu sama w sobie. Traktuj go jak udział w rynku: mówi, jak wypadasz względem innych przy stałej definicji rynku, i przestaje cokolwiek znaczyć w chwili, gdy definicję po cichu zmienisz.
FAQ
Jak często liczyć AI share of voice?
Miesięcznie. Przy tygodniowej kadencji szum próbkowania przewyższa realną zmianę, a przy kwartalnej za późno wychwycisz spadek. Sam pomiar rozłóż jednak na 3 lub 4 sesje w ciągu miesiąca, zamiast robić go jednego dnia.
Czy da się to policzyć bez płatnego narzędzia?
Tak. Potrzebujesz zestawu zapytań w arkuszu, skryptu odpytującego API modeli, reguł dopasowania nazw marek i miejsca na surowe odpowiedzi. Największym kosztem nie jest narzędzie, tylko dyscyplina utrzymania stałej metodyki przez kolejne miesiące.
Ile zapytań wystarczy na start?
60 do 80 dla jednej linii biznesowej, przy 5 powtórzeniach na model. Poniżej 40 zapytań pojedyncza zmieniona odpowiedź przesuwa wskaźnik o kilka punktów procentowych, co uniemożliwia odróżnienie trendu od szumu.
Czy wzmianka bez linku liczy się tak samo jak cytowanie ze źródłem?
Nie. Zalecamy liczyć oba typy osobno, a przy składaniu jednego wskaźnika nadać cytowaniu z linkiem wagę wyższą. Wzmianka bez odnośnika nie generuje ruchu i trudniej ją zweryfikować po fakcie.
Co zrobić, gdy udział spadł, a nic nie zmienialiśmy?
Sprawdź najpierw markę referencyjną i rozbicie na modele. Jeśli spadek dotyczy wszystkich marek w jednym asystencie, to najprawdopodobniej zmiana po stronie dostawcy, a nie utrata pozycji. Dopiero gdy spadek jest wyłącznie twój i widoczny w kilku modelach, szukaj przyczyny w treści i danych strukturalnych.